Hibrit derin öğrenme algoritmaları kullanılarak biyogaz reform süreçlerinin optimizasyonu: cnn-lstm modeli ile çıktı parametrelerinin tahmini

Abstract

Bu çalışma, biyogaz reform süreçlerinde çeşitli çıktı parametrelerini tahmin etmek için Evrişimli Sinir Ağları (CNN: Convolutional Neural Networks) ve Uzun Kısa Süreli Bellek (LSTM: Long Short-Term Memory) algoritmalarını birleştiren hibrit bir derin öğrenme modelinin uygulamasını incelemektedir. Çalışmanın amacı, bu süreçlerin yönetimini iyileştiren tahmine dayalı modeller geliştirmektir. CNN-LSTM modeli, zaman serisi verilerindeki uzun vadeli bağımlılıkları ve karmaşık özellikleri yakalama konusundaki yeterliliği nedeniyle seçilmiş ve Destek Vektör Regresyonu (SVR: Support Vector Regression) gibi diğer modellerle karşılaştırılmıştır. Araştırma metan dönüşüm oranı, hidrojen-karbon monoksit oranı ve sentez gazı bileşimi gibi biyogaz reformunun önemli çıktılarını değerlendirmektedir. Modelin etkinliği RMSE, MAE ve MAPE ölçümleri kullanılarak değerlendirilmiştir. Farklı eğitim dönemleri sonrasında, metan dönüşüm oranı için RMSE 0,1905, MAE 0,1311 ve MAPE 0,0036 olarak kaydedilmiştir. Elde edilen sonuçlar, modelin tahmin başarısındaki yüksek doğruluğu ortaya koymaktadır. Bu çalışma, makine öğrenimi tekniklerinin endüstriyel uygulamalarda biyogaz reform süreçlerinin optimize edilmesi ve kontrol edilmesine katkı sağlayabileceğini göstermektedir. CNN-LSTM modelinin özellikle karmaşık biyokimyasal süreçleri yönetmedeki başarısı, derin öğrenme tekniklerinin potansiyelini vurgulamaktadır. Gelecekteki çalışmalar, modelin farklı biyogaz tesislerinde uygulanmasını ve optimizasyon parametrelerinin daha da iyileştirilmesini amaçlayacaktır

This study examines the application of a hybrid deep learning algorithm, combining Convolutional Neural Networks (CNN) with Long Short-Term Memory (LSTM), for predicting various output parameters in biogas reforming processes. The objective is to develop predictive models that enhance the management of these processes. The CNN-LSTM model was selected for its proficiency in capturing long-term dependencies and complex features in time-series data, and it was benchmarked against other models, including Support Vector Regression (SVR). This research evaluates crucial outputs of biogas reforming, such as the methane conversion rate, the hydrogen-to-carbon monoxide ratio, and the synthesis gas composition. The effectiveness of the CNNLSTM model was assessed using RMSE, MAE, and MAPE metrics. After different training epochs, the RMSE for CONMET (%) was recorded at 0.1905, MAE at 0.1311, and MAPE at 0.0036, demonstrating the model's high accuracy in prediction. This study marks a significant advancement in incorporating machine learning techniques into optimizing and controlling biogas reforming processes for industrial applications. The success of the CNNLSTM model, particularly in managing complex biochemical processes, underscores the potential of deep learning techniques. Future efforts will explore the model's application across different biogas plants and aim to refine optimization parameters further.